多源信息处理技术——数据融合

在介绍数据融合技术的基础上，分析了不同融合层次的性质和作用，提出了数据融合大脑功能模型，进而给出一种广义的多传感器数据融合通用结构，该结构具有神经网络的特性，但不涉及权值和学习算法问题；总结、分析了不同融合层次的原理、结构和算法，强调了神经网络在数据融合技术中的应用；分析了数据融合技术中存在的问题，并探讨了其宏观和微观的发展方向。     

基于严格二叉树编码和GA的模糊树结构学习

为解决模糊树模型结构学习中存在的信息冗余、寻优效率低等问题,提出了一种基于严格二叉树编码和遗传算法的结构学习方法。通过严格二叉树编码对模型结构进行编码,改善了现有矩阵编码的信息冗余问题;考虑到编码特殊性和算法收敛性,提出了一种改进的遗传算法用来对模糊树模型的结构进行寻优。实验结果表明,不同数据集上该算法的稳定性和计算速度均较好,能够寻找到一个较优的二叉树结构,从而提高模糊树模型的建模精度。     

一种小波神经网络结构及其学习算法研究

基于仿射小波神经网络的逼近原理和结构设计问题 ,本文提出了一种新型小波神经网络结构 ,研究了其结构化设计方法和相应的学习算法 ,优化组合小波基元激励函数 ,实现了小波神经网络权系数的二次学习 ,避免了“维数灾”问题 ,改善了网络学习特性。计算机仿真结果表明 ,研究的小波神经网络结构及其学习算法简单有效 ,函数逼近更精确     

基于扩展Hopfield模型的神经网络JPDA算法研究

研究了Hopfield模型的神经网络数据关联算法.在此基础上,通过引进扩展的Hop6e阳模型,建立了一种能够自动调节网络参数的神经网络数据关联算法,克服了神经网络数据关联算法应用过程中需要人工干预选择网络参数的缺点.仿真实验证明了新算法比JPDA算法具有更高的运行效率,而性能与其相同,是密集多回波环境中一种有效的关联算法.     

改进的遗传算法在测试数据自动生成中的应用

提出了图的一种新的存储方式:双向邻接链表,可完备地表示软件项目的类图结构。基于自动插装,构造了一种新颖的用树结构来设计适应度函数的改进遗传算法iAGA,并使用自适应的交叉和变异算子来进行下一代生成。将改进算法与基本遗传算法SGA和自适应遗传算法AGA进行了比较,发现可以明显节省搜索和生成时间。使用三角形分类等实例进行了测试数据自动生成的验证,证明所提的iAGA改进算法是有效的。对采用均匀权值、自顶向下和自底向上这三种权值分配方式进行了比较,实验表明在采用树结构计算适应度方式下,均匀分配权值比较。     

航天器姿态的神经网络动态逆控制

针对航天器姿态系统,提出了一种基于自适应神经网络动态逆的控制算法。该算法针对滚转、俯仰和偏航三个姿态子系统,设计了两组神经网络:第一组是BP网络,用来逼近三个姿态通道的非线性项,可获得姿态逆模型;第二组是非线性自适应神经网络,用于在线实时地补偿逆模型存在的误差和外加干扰。详细分析了非线性自适应神经网络的拓扑结构、学习规则和调整算法。给出了应用该算法的具体实例,通过仿真实验证明该算法的有效性。     

神经网络应用于模糊综合评价的研究

本文将神经网络理论应用于模糊综合评价, 给出了一种基于三层神经元的多用量化评价方法, 研究了三层神经网络的结构、相应的网络学习过程及其应用于模糊综合评价的计算机实现算法和应用实例。     

基于BP网络的雷达与AIS目标关联算法与仿真

雷达与AIS(船舶自动识别系统)是海上交通获取船舶目标信息的2种重要导航设备,其目标信息在内容和精度上具有差异性,且具有互补性。为了获得目标更精确和更可靠的信息,需要将其目标信息进行融合,而目标关联判断则是融合最关键的环节。基于多传感器信息融合理论和神经网络中的BP算法原理,设计了合理的网络结构,提出了一种基于BP网络的雷达与AIS目标关联算法,基于实测数据,对关联算法进行Matlab仿真与分析,仿真分析的结果表明算法的可用性和有效性。     

基于神经网络的输电线路故障检测研究

在研究现有架空输电线路故障检测系统不足的基础上,提出了一种基于神经网络的输电线路故障检测系统.该系统以复杂结构的10KV架空输电线路为研究对象,利用分布在线路上的数据采集设备得到线路电气参数的相应数据并进行编码;通过载波通信将数据传送给控制中心;在控制中心对各参数数据解码和去噪;然后将每个参数进行分段数据采样输入经反向传播算法(即LMBP算法)训练的三层结构的神经网络进行分析,最后进行统计处理输出故障信息.采用EMTP仿真实验表明,本文故障检测系统准确率较其它故障检测系统有较大提高.     

重置变结构神经网络及其在风险投资项目评估中的应用

基于神经网络的结构直接影响到网络性能的优劣,进而影响其推广使用,尝试将重置算法应用于经典BP神经网络的结构优化,研究了重置算法中最佳重置时间的性质,提出一种重置变结构经典BP神经网络。通过实例,将重置变结构经典BP神经网络应用于风险投资的项目风险评估中,并与经典BP神经网络的实验结果进行对比。结果表明,重置算法的引入有效地解决了神经网络结构的优化问题。     

基于改进ResNet网络的复数SAR图像舰船目标识别方法

合成孔径雷达(synthetic aperture radar, SAR)采用微波相干成像, 因此SAR图像本质上是复数的。传统基于神经网络的SAR图像目标识别方法, 通常只处理SAR图像的幅度信息, 无法有效利用SAR图像特有的复数信息。本文面向SAR图像中的舰船目标识别应用, 从SAR图像的本质出发, 首先通过组合SAR图像的实部、虚部和幅度三通道信息, 隐式地提供了输入数据的复数信息表示; 然后在ResNet18网络及其结构基础上引入通道注意力机制, 使网络能自适应学习实部、虚部和幅度三通道之间包含的复数信息; 最后引入标签平滑正则化, 解决因复数数据集样本较少出现的过拟合现象。基于OpenSARShip数据集的实验结果表明, 所提方法可以较好利用SAR图像本身的复数信息, 在一定程度上提升了基于深度神经网络的舰船目标识别效果。     

基于蜂群算法和神经网络的通信调制识别方法

针对现有基于误差反向传播算法的多层感知器神经网络分类器在信号识别中存在收敛速度缓慢、出现假饱和现象等问题,采用蜂群算法提取信号的联合特征模块,提出快速支持、超级自适应误差反向传播、共轭梯度3种不同算法分别应用于多层感知器神经网络分类器,实现对通信信号的自动识别。所提算法和误差反向传播算法相比有更高的识别率。仿真结果表明,所提算法能够克服误差反向传播算法的缺陷,在隐藏层神经元仅为20个、信噪比为4 dB条件下,3种算法的识别率均高于95% ,且系统易于实现,在信号识别中具有广泛的应用前景。     

基于神经网络数据融合的目标识别方法研究

综合应用图像识别、神经网络和数据融合技术是多传感器ATR系统的一个重要研究方向。设计了一种基于BP网络和多传感器数据融合的图像识别系统。从信息论的观点出发 ,在理论上探讨了BP网络数据融合用于图像目标识别 /分类的机理。以此理论对实验结果的合理解释证明了该理论的正确性。理论分析和实验结果都证明了神经网络数据融合用于图像目标识别 /分类的有效性和可行性     

电信行业时间序列预测系统设计与实现

预测分析是电信行业知识管理系统中的一个重要部分 .利用数据仓库中存储的庞大信息 ,通过回归分析、指数平滑、灰色预测以及神经网络组合预测算法对电信行业各种数据信息进行合理的组织和预测计算 ,供决策者参考 .文中简要介绍电信行业时间序列预测系统的结构设计 ,算法设计以及预测结果的分析方法.     

无人机自组网中基于蚁群优化的多态感知路由算法

无人机自组织网络具有节点移动性强、网络拓扑变化快、数据交互频繁、应用环境复杂等特点, 采用传统的路由算法会使该网络在传输延时、丢包率、路由开销等方面性能均较差, 以至于无法为多无人机协同执行任务提供有效的通信保障。为了解决该问题, 提出一种基于蚁群优化的多态感知路由(ant colony optimization based polymorphism-aware routing, APAR)算法。该算法将蚁群算法与动态源路由算法相结合, 通过感知路径长度、路径拥塞度和路径稳定性, 计算出由路由发现过程得到路径的信息素水平, 并将其作为选路标准, 经过改进的信息素挥发机制也被引入该算法。同时, 根据无人机编队的变化做出合适的调整, 以保证其网络性能不下降。仿真结果表明, 与其他经典算法相比, APAR算法提高了数据包成功传输率, 降低了平均端到端延时, 减少了路由开销, 且在战场环境下有较高的可靠性。     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。     

基于SAR仿真图像的地面车辆非同源目标识别

充分的合成孔径雷达(synthetic aperture radar, SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键, 基于实际测量获取充分SAR数据是不现实的, 基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径。SAR仿真图像与实测图像为非同源数据, 由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在差异, 会影响识别性能。针对这一问题, 首先采用一种基于高频渐近技术和离散射线追踪技术的SAR仿真方法获取地面车辆目标的SAR仿真图像, 再利用卷积神经网络方法、线性/非线性特征变换方法实现对MSTAR实测数据的非同源SAR目标识别性能对比分析。实验结果表明, 直接使用SAR仿真数据无法实现对实测SAR数据有效识别, 而线性/非线性特征变换可以改善非同源SAR目标识别性能, 一定程度上缓解由于SAR仿真数据与实测数据存在差异导致的识别性能差的问题。     

基于BP神经网络的人脸识别

将BP神经网络用于人脸识别 ,建立了人脸识别模型 ,研究了样本采样训练、样本批量训练和样本完整训练三种训练策略对识别率的影响。所设计的识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程。利用ORL人脸图像数据库进行了仿真实验 ,结果表明 ,其识别模型在实际应用中是可行的。该模型简单 ,识别率较高。如将训练策略配合使用 ,则在提高训练速度和训练效率的同时 ,也使模型分类性能有了明显提高